Mesure marketing : construire une preuve proportionnée à la décision.
DÉCISION SOUTENUEExiger un niveau de preuve croissant avec l’irréversibilité et l’exposition, puis séparer clairement observation, effet identifié, extrapolation et jugement.
Calcul reproductible
Spécification et limites du calcul publié.
Ce dossier vérifie l’arithmétique locale du modèle pédagogique. Il ne transforme pas les hypothèses saisies en preuve de marché ou de causalité.
v1, 31 août 2026 · CC BY 4.0 · Spécification première partie d’un registre pédagogique de valeur de l’information, sans mesure empirique de performance ou de causalité.
Ce qu’il faut distinguer
Trois conditions avant tout calcul.
01
Instrumenter n’est pas identifier
Événements, pixels et rapprochements rendent les comportements observables. Ils ne créent pas le groupe contrefactuel. Une donnée utilisateur très détaillée peut donc être moins causale qu’une expérience agrégée correctement conçue.
02
Localité de la preuve
Un effet est défini pour une population, un traitement, une intensité et une période. Le transporter exige des mécanismes comparables ou un modèle ; toute extrapolation doit être distinguée du résultat identifié.
03
Valeur de l’information
Le dispositif est choisi selon sa probabilité de changer la décision, la valeur de l’erreur évitée, son coût et son délai. La mesure parfaite après la décision vaut moins qu’une preuve imparfaite mais actionnable avant engagement.
Méthode
Dimensionner la preuve avant de mesurer
01Classer la décision
Estimer montant exposé, réversibilité, vitesse, asymétrie des pertes et coût d’attente. Une optimisation d’enchère quotidienne n’a pas le même contrat qu’un repositionnement annuel.
02Écrire le résultat et le contrefactuel
Définir métrique économique, unité, population, fenêtre et scénario sans action. Cartographier les biais susceptibles d’écarter l’observation du contrefactuel.
03Choisir le niveau
Associer instrumentation, analyse descriptive, quasi-expérience, expérience ou modèle calibré. Calculer puissance, incertitude attendue, coût et domaine de transport.
04Publier la décision
Séparer fait observé, estimation causale, extrapolation et hypothèse. Relier l’intervalle à une règle : lancer, arrêter, piloter, collecter ou maintenir.
ÉLÉMENT ORIGINAL
L’échelle de preuve par exposition
Cinq décisions sont positionnées selon exposition, réversibilité et niveau de preuve minimum, avec le coût du dispositif et la perte évitée.
Scénario illustratif : dépenser 45 k€ de mesure pour éviter 315 k€ de perte attendue
01 · SITUATION
Scénario illustratif : une campagne nationale de 1,2 M€ doit être renouvelée. L’attribution suggère 2,8 de ROAS, mais une analyse de zones comparables indique un effet entre 0,6 et 1,9. Sans nouvelle preuve, la probabilité de financer une campagne non rentable est posée à 35 %, avec une perte de 900 k€.
02 · CALCUL
Perte attendue sans test : 35 % × 900 k€ = 315 k€. Une géo-expérience coûte 45 k€, réduit à 8 % la probabilité d’une mauvaise décision et laisse une perte résiduelle de 72 k€. Valeur brute de l’information : 315 − 72 = 243 k€. Valeur nette : 243 − 45 = 198 k€.
03 · DÉCISION
La mesure est économiquement justifiée même si elle ne garantit pas une réponse parfaite. Le test doit être réalisé avant le renouvellement ; la décision de campagne dépend de la borne basse de contribution, pas du ROAS attribué.
Conditions d’acceptation
Ce qui doit être vrai pour agir.
01
Le niveau de preuve augmente avec l’exposition et l’irréversibilité.
02
Observation, causalité et extrapolation sont étiquetées séparément.
03
La valeur nette de l’information est positive avant de lancer une étude.
04
L’intervalle d’incertitude déclenche une règle de décision définie.
Limites
Ce que cette analyse ne prouve pas.
La valeur de l’information dépend d’hypothèses sur les pertes et probabilités.
Une expérience locale peut être difficile à transporter à l’échelle nationale.
Les interactions et fuites réduisent la qualité du contrefactuel.
Références
Travaux mobilisés.
Hubbard, D. W. (2014), How to Measure Anything, 3e éd.
Howard, R. A. (1966), « Information Value Theory », IEEE Transactions on Systems Science and Cybernetics, 2(1), 22–26.
Kohavi, R., Tang, D. & Xu, Y. (2020), Trustworthy Online Controlled Experiments.